Eleven Realtime v1 Max vs. Gemini 3.8 Live: mais rápido, mais preciso no raciocínio e 5,7× o preço

Eleven Realtime v1 Max começa a falar em 0,57 segundo e acerta 98,8% do Big Bench Audio. O Gemini 3.8 Live começa a falar em 1,18 segundo e acerta 92%. Nos dois eixos que as pessoas citam quando discutem modelos de voz, a ElevenLabs vence nos dois — e depois perde em quase todos os eixos que importam para uma equipe financeira, começando pelo eixo em que o mesmo painel de benchmarks coloca o Gemini a US$ 0,84 por hora de áudio e o Eleven Realtime Max a US$ 4,80.Os incidentes documentados de IA e as falhas de agentes por trás de modelos desta classe estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, grau de gravidade, nível de confiança e indicação de contestação.

Os dois modelos também discordam sobre o que é um agente de voz. O G​emini 3.8 Live é uma peça de uma plataforma: tem uma pontuação no índice, uma tabela de preços documentada, 97 idiomas, marca d'água SynthID em cada segundo gerado e duas variantes — padrão e Extended Thinking — que separam o raciocínio da conversa. O Eleven Realtime v1 Max é um único modelo vendido com a promessa de que reconhecimento, alternância de turnos, raciocínio e voz foram ajustados em conjunto, e não tem nenhum Speech to Speech Index, porque o benchmark agêntico por trás desse índice não foi executado nele.

Essa última frase é todo o argumento comprimido. Um desses modelos tem um placar público completo; o outro tem os melhores números nas duas linhas que tem, e um espaço em branco onde entra a linha mais difícil.

O que o placar realmente diz

Todos os números abaixo vêm do ranking Speech to Speech da Artificial Analysis, que testa ambos os modelos no mesmo ambiente de teste, em vez de apenas reproduzir as páginas dos fornecedores. Quando um número do fornecedor é diferente, isso é indicado.

• Raciocínio de fala (Big Bench Audio) — Eleven Realtime v1 Max 98,8% vs. Gemini 3.8 Live 92%

• Tempo até o primeiro áudio — Max 0,57s vs Gemini 1,18s

• Taxa de sucesso da tarefa — Max 87,1% vs G​emini 93,2%

• Desempenho agêntico (τ-Voice) — Max não medido vs G​emini 30,1%

• Dinâmica conversacional (Full-Duplex-Bench) — Máx. 94,1% vs. G​emini 96,1%

• Preferência de arena (Elo) — Max 997 vs Gemini 1.078

• Índice de Fala para Fala — Max sem pontuação vs Gemini 76,0

• Custo por hora de áudio de entrada — Max US$ 4,80 vs G​emini US$ 0,84

O padrão não é “a ElevenLabs é melhor em áudio e o Google é melhor em todo o resto”. Ele é mais estreito e mais interessante do que isso. O Max vence as duas medições feitas em um conjunto fixo de perguntas de áudio — responder corretamente, responder rápido — e perde nas três que envolvem uma pessoa no circuito ou uma chamada de ferramenta para serem concluídas. A preferência na Arena é pessoas ouvindo e escolhendo. O sucesso da tarefa é se a função correta foi chamada. A dinâmica conversacional é se a alternância de turnos pareceu certa. Essas são as métricas de produção, e o Gemini fica com todas as três.

A linha τ-Voice merece uma ressalva antes que alguém a cite. Os 30,1% do G​emini 3.8 Live são uma pontuação agêntica genuinamente ruim — a própria variante Extended Thinking da mesma família obtém 68,6% no mesmo teste, e o G​PT-Live-1 (Astra, médio) obtém 74,5%. Se o seu agente precisa alterar uma reserva dentro de uma política, o 3.8 Live comum não é o modelo que você quer. Mas o espaço em branco do Max não é um zero e não deve ser interpretado como tal. Significa que o teste não foi executado.

De onde vem a diferença de preço, e por que ela pode não importar tanto quanto parece

O G​emini 3.8 Live cobra US$ 0,005 por minuto de áudio de entrada e US$ 0,018 por minuto de saída, com texto a US$ 0,75 e US$ 4,50 por milhão de tokens e entrada de imagem ou vídeo a US$ 1,00 por milhão. O Eleven Realtime não publica nenhuma tarifa por modelo: no ElevenAgents, você paga a cobrança padrão por minuto do agente mais tokens à tarifa do modelo Realtime, e, por meio da API Realtime, você paga por minuto de áudio conectado mais tokens, com os mesmos preços de token em todos os planos. A Artificial Analysis converte ambos em custo por hora sobre um conjunto fixo de perguntas, que é a única forma de compará-los honestamente, e chega a US$ 0,84 contra US$ 4,80.

Duas coisas decorrem disso. Primeiro, se o seu volume é medido em milhares de minutos por dia, a diferença é o que decide — 5,7× não é erro de arredondamento, e a E​levenLabs não tem nenhuma alavanca publicada para fechá-la, exceto a Mini, mais barata. Segundo, a comparação não é estática como um preço de tabela. O G​oogle já cortou as tarifas de áudio do G​emini antes, e um corte chega ao nosso lado no mesmo dia quando um provedor repassa o preço de tabela, porque a O​rcaRouter não aplica nenhuma margem. O mesmo vale no sentido inverso: se a E​levenLabs publicar uma tarifa do Realtime, o número muda sem que ninguém precise reescrever uma integração.

Duas apostas diferentes sobre a alternância de turnos

As arquiteturas não são equivalentes, e a diferença explica a divergência das métricas melhor do que qualquer alegação de qualidade.

O Gemini 3.8 Live é uma das entradas de uma família que a Google vem lançando há dois anos.

Ele processa entrada visual em tempo quase real, alterna idiomas no meio da conversa em 97 idiomas e executa chamadas de ferramentas e de API em segundo plano para que o agente possa confirmar uma solicitação e continuar falando enquanto a consulta é concluída. Sua versão irmã, Gemini 3.8 Live Extended Thinking, raciocina e fala ao mesmo tempo, narrando o progresso. Ambos carregam marcas d'água SynthID e compartilham um cartão de modelo publicado como gemini-3-8-audio, e ambos têm IDs de API documentados: gemini-3.8-live e gemini-3.8-live-extended-thinking.

O Eleven Realtime integra a stack em vez de coordená-la.

Reconhecimento, alternância de turnos, a etapa de raciocínio e a geração de voz são um único sistema ajustado em conjunto, e é por isso que consegue responder em 0,57 segundos sem um detector de atividade de voz separado decidindo quando o chamador terminou. O próprio exemplo de benefício da ElevenLabs é o backchannel: o Mini é documentado como capaz de detectar se um falante terminou ou está apenas intercalando com um "mm-hmm". Esse é o comportamento que faz um agente de voz parar de parecer um walkie-talkie, e é o tipo de coisa com que um pipeline em cascata tem dificuldade, porque é preciso dizer ao VAD o que é uma interrupção.

O custo do design unificado é o controle. No ElevenAgents, escolher um modelo Realtime significa que a ElevenLabs gerencia o LLM, o esforço de raciocínio, o orçamento de pensamento, as chamadas de ferramentas em paralelo, o timeout da cascata, o modelo de TTS, o modo expressivo e o provedor de ASR. Você não pode trazer um LLM personalizado, não pode usar o Amazon Bedrock, e um nó de workflow não pode substituir nenhuma dessas configurações. O Gemini oferece o modelo e permite que você mantenha o pipeline.

A questão da integração que ninguém coloca na tabela de comparação

O G​emini 3.8 Live é um modelo da API G​emini. O Eleven Realtime é vendido de duas formas — dentro do ElevenAgents e por meio de uma API Realtime compatível com o protocolo de eventos da O​penAI, em wss://api.elevenlabs.io/v1/convai/realtime. Se você tem um cliente O​penAI Realtime, alterar o endpoint e o nome do modelo corresponde à maior parte da migração; a documentação inclui uma skill de um comando para isso.

{{1}}O que você perde em troca dessa compatibilidade é a plataforma. A Realtime API e o ElevenAgents são produtos separados, em protocolos de conexão diferentes, e a API não oferece canais de telefone ou WhatsApp, bases de conhecimento, salvaguardas, testes roteirizados nem monitoramento de conversas. A ElevenLabs também deixa explícito que a Realtime API não tem WebRTC no lançamento — apenas WebSocket.{{/1}}

É nessa assimetria que uma camada de roteamento se encaixa, e ela se encaixa melhor do lado do G​emini do que do lado do E​levenLabs. O OrcaRouter não hospeda eleven_realtime_v1_max; não há endpoint de terceiros para ele, e não vamos fingir o contrário. O que o OrcaRouter hospeda é o restante de uma pilha no formato do G​emini: google/gemini-3.8-flash e os demais modelos G​emini atrás de uma única chave, 209 modelos de 16 provedores no total, pelo preço de tabela do provedor sem markup, com failover automático quando um provedor apresenta erro. Se você criar a camada de voz no G​emini, a recuperação e a análise pós-chamada em torno dela poderão ser trocadas e submetidas a testes A/B no seu próprio tráfego, em vez de serem definidas a partir de um ranking.

Qual escolher

Escolha o Gemini 3.8 Live se o agente precisar concluir uma transação, se você precisar do preço abaixo de um dólar por hora, se precisar de entrada visual ou se precisar de 97 idiomas em uma única linha. Ele tem o placar público completo, a tabela de preços documentada e o minuto mais barato. Sua fraqueza agêntica é real, mas mensurável, e sua versão irmã Extended Thinking é a solução se a conclusão de tarefas for o gargalo.

Escolha o Eleven Realtime v1 Max se a conversa em si for o produto — um tutor, um personagem, uma linha de suporte em que ser interrompido é a reclamação — e se sua carga de trabalho for áudio com uso intenso de raciocínio, e não chamadas longas e conectadas. Você está comprando o raciocinador forte mais rápido do ranking e a alternância de turnos mais bem medida, a um preço premium que você deve modelar antes de fechar o contrato.

Não avalie apenas pela pontuação do índice.O Max não tem uma, e isso não é uma crítica à qualidade do Max; é uma constatação de quanto do comportamento do Max ainda não foi medido. O único número que mudaria essa comparação é uma execução do τ-Voice no Max. Se ela ficar acima dos 68,6% do G​emini — a variante Extended Thinking, não a padrão —, o premium do E​levenLabs começa a parecer uma apólice de seguro em vez de um imposto. Até que isso aconteça, o modelo mais rápido é o que tem mais a provar.